Fugu-MT 論文翻訳(概要): A continuous Structural Intervention Distance to compare Causal Graphs

論文の概要: A continuous Structural Intervention Distance to compare Causal Graphs

arxiv url: http://arxiv.org/abs/2307.16452v1
Date: Mon, 31 Jul 2023 07:20:26 GMT
ステータス: 処理完了
システム内更新日: 2023-08-01 15:29:06.858426
Title: A continuous Structural Intervention Distance to compare Causal Graphs
Title（参考訳）: 因果グラフの比較のための連続構造干渉距離
Authors: Mihir Dhanakshirur, Felix Laumann, Junhyung Park, Mauricio Barahona
Abstract要約: 距離は、各ノードの組込み介入分布に基づいている。合成データに対する数値実験で検証した理論的結果を示す。
参考スコア（独自算出の注目度）: 5.477914707166288
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Understanding and adequately assessing the difference between a true and a learnt causal graphs is crucial for causal inference under interventions. As an extension to the graph-based structural Hamming distance and structural intervention distance, we propose a novel continuous-measured metric that considers the underlying data in addition to the graph structure for its calculation of the difference between a true and a learnt causal graph. The distance is based on embedding intervention distributions over each pair of nodes as conditional mean embeddings into reproducing kernel Hilbert spaces and estimating their difference by the maximum (conditional) mean discrepancy. We show theoretical results which we validate with numerical experiments on synthetic data.
Abstract（参考訳）: 真の因果グラフと学習因果グラフの違いを理解し、適切に評価することは、介入の下で因果推論に不可欠である。グラフに基づく構造ハミング距離と構造介入距離の拡張として,真因果グラフと学習因果グラフとの差を計算するためのグラフ構造に加えて,基礎となるデータを考慮した新しい連続測定指標を提案する。この距離は、各ノード間の干渉分布を条件平均埋め込みとして再現されたカーネルヒルベルト空間に埋め込み、それらの差を最大(条件平均の差)で推定する。合成データに対する数値実験で検証した理論的結果を示す。

関連論文リスト

Graph-based Complexity for Causal Effect by Empirical Plug-in [56.14597641617531]
本稿では、因果効果クエリに対する経験的プラグイン推定の計算複雑性に焦点を当てる。計算は、推定値のハイパーグラフに依存するため、データサイズにおいて、潜在的に線形な時間で効率的に行うことができることを示す。
論文参考訳（メタデータ） (2024-11-15T07:42:01Z)
Sample Efficient Bayesian Learning of Causal Graphs from Interventions [6.823521786512908]
本研究では,限られた介入サンプルを用いた因果グラフ学習におけるベイズ的アプローチについて考察する。我々は,提案アルゴリズムが真の因果グラフを高い確率で返すことを理論的に示す。本稿では,このアルゴリズムを,グラフ全体を学習することなく,より一般的な因果問題にどう対応できるかを示すケーススタディを提案する。
論文参考訳（メタデータ） (2024-10-26T05:47:56Z)
Separation-based distance measures for causal graphs [15.37737222790121]
最先端因果探索法は単一の因果グラフを出力するのではなく、それらの等価クラス(MEC)を出力する。本稿では,分離距離の差が評価に適さないような距離の付加的な測定法を提案する。我々は,既存の比較指標の違いを明らかにする実験と,おもちゃの例を用いて理論的解析を補完する。
論文参考訳（メタデータ） (2024-02-07T15:36:53Z)
Front-door Adjustment Beyond Markov Equivalence with Limited Graph Knowledge [36.210656212459554]
本報告では,正面調整を用いて因果効果を計算するための条件付き独立文について述べる。本手法はマルコフ同値クラスが因果効果推定に十分でない場合に適用可能であることを示す。
論文参考訳（メタデータ） (2023-06-19T15:16:56Z)
Bures-Wasserstein Means of Graphs [60.42414991820453]
本研究では,スムーズなグラフ信号分布の空間への埋め込みを通じて,グラフ平均を定義する新しいフレームワークを提案する。この埋め込み空間において平均を求めることにより、構造情報を保存する平均グラフを復元することができる。我々は,新しいグラフの意味の存在と特異性を確立し,それを計算するための反復アルゴリズムを提供する。
論文参考訳（メタデータ） (2023-05-31T11:04:53Z)
Projections of Model Spaces for Latent Graph Inference [18.219577154655006]
グラフニューラルネットワークは、グラフの接続構造を帰納バイアスとして利用する。潜在グラフ推論は、適切なグラフ構造を学習して、モデルの下流のパフォーマンスを拡散し改善することに焦点を当てる。
論文参考訳（メタデータ） (2023-03-21T11:20:22Z)
Beyond spectral gap (extended): The role of the topology in decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。現在の理論では、コラボレーションはトレーニング単独よりも学習率が大きいことを説明していない。本稿では,疎結合分散最適化の正確な図面を描くことを目的とする。
論文参考訳（メタデータ） (2023-01-05T16:53:38Z)
Beyond spectral gap: The role of the topology in decentralized learning [58.48291921602417]
機械学習モデルのデータ並列最適化では、労働者はモデルの推定値を改善するために協力する。本稿では、労働者が同じデータ分散を共有するとき、疎結合な分散最適化の正確な図面を描くことを目的とする。我々の理論は深層学習における経験的観察と一致し、異なるグラフトポロジーの相対的メリットを正確に記述する。
論文参考訳（メタデータ） (2022-06-07T08:19:06Z)
Learning to Induce Causal Structure [29.810917060087117]
本稿では,合成グラフの教師あり学習を通じて,観測データと介入データの両方からグラフ構造へのマッピングを学習するニューラルネットワークアーキテクチャを提案する。提案モデルは,新しい合成グラフだけでなく,自然主義グラフにも一般化可能であることを示す。
論文参考訳（メタデータ） (2022-04-11T05:38:22Z)
Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文参考訳（メタデータ） (2020-11-04T10:25:13Z)
Hyperbolic Graph Embedding with Enhanced Semi-Implicit Variational Inference [48.63194907060615]
半単純グラフ変分自動エンコーダを用いて,低次元グラフ潜在表現における高次統計量を取得する。我々は、階層構造を示すグラフを効率的に表現するために、ポインケア埋め込みを通して潜在空間に双曲幾何学を組み込む。
論文参考訳（メタデータ） (2020-10-31T05:48:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。